学位论文 > 优秀研究生学位论文题录展示
带噪混叠语音信号盲分离方法研究
作 者: 王杏
导 师: 魏杰
学 校: 北京交通大学
专 业: 电路与系统
关键词: 盲源分离 带噪混叠语音 快速独立分量分析 谱减法 牛顿下降法
分类号: TN912.3
类 型: 硕士论文
年 份: 2014年
下 载: 55次
引 用: 0次
阅 读: 论文下载
内容摘要
语音是人类传播信息和交流的重要媒介,人们可以在多个讲话者的环境中区分和获取自己感兴趣的语音信号,这是人体内部语音理解机理特有的一种能力。如何通过机器从混合的语音信号中分离出各个源信号,成为语音信号处理领域的一个重要问题。盲源分离(Blind Source Separation,BSS)是混叠语音分离的主要方法之一。盲源分离是指在源信号及其混合方式均未知的情况下,仅根据观测到的若干混合信号恢复源信号的过程。目前的盲源分离基本上都是在无噪环境中进行的,但是实际环境中,语音信号不可避免的会受到各种噪声的影响,因此研究带噪混叠语音分离方法具有重要的理论价值和实际意义。本文对带噪混叠语音信号进行研究,结合盲源分离技术,提出了一种有效的解决带噪混叠语音盲分离的方法。首先消除带噪混叠语音信号中的噪声,提高信号的信噪比,然后再将去噪处理后混叠语音信号进行多个说话人的语音分离;主要在去噪部分和语音分离部分对算法进行改进,论文的主要工作包括:第一,在带噪混叠语音信号的噪声消除方面,提出了一种基于改进噪声估计和幅度补偿的改进的谱减法,该方法在有效去除噪声的同时能极大限度的避免源信号受到损伤,为后续进行的混叠语音信号分离工作奠定基础,可以在很大程度上避免由于源信号受到损伤而影响分离效果。第二,在多个说话人的语音分离方面,提出了结合牛顿下降法和优化快速独立分量分析算法(M-FastICA)的改进算法,解决基于负熵的FastICA算法对随机初始分离矩阵敏感并存在局部最大值的问题,算法在保证分离效果的同时减小了对初始值的敏感度、降低了算法的计算迭代次数;同时根据语音信号的分布特性优化选取分离算法中的非线性函数,以提高算法的精度。最后,可以对分离信号进行再消噪处理,从而进一步提升分离语音信号的质量。仿真实验表明,论文所提算法具有很好的分离效果。从相似系数矩阵和最小均方误差两个指标来看,论文所提算法与原始的FastICA算法相比有着更加出色的分离性能,算法迭代次数也下降了60%,降低了算法的复杂度。
|
全文目录
致谢 5-6 中文摘要 6-7 ABSTRACT 7-11 1 引言 11-18 1.1 概述 11-15 1.1.1 盲源分离的研究背景及意义 11-12 1.1.2 研究现状及发展趋势 12-14 1.1.3 带噪混叠语音信号盲分离 14-15 1.2 国内外盲信号分离的应用 15-16 1.3 论文主要研究内容及结构安排 16-18 2 盲源分离的基础理论与数学基础 18-30 2.1 盲源分离 18-20 2.1.1 盲源分离的数学模型 18 2.1.2 熵与负熵 18-19 2.1.3 峭度 19 2.1.4 盲源分离的约束条件和不确定性 19-20 2.2 独立分量分析 20-22 2.2.1 独立分量分析的基本原理 20-21 2.2.2 预处理 21-22 2.3 ICA的目标函数及优化方法 22-26 2.3.1 独立性原则 22-23 2.3.2 独立分量分析的目标函数 23-25 2.3.3 独立分量分析的优化方法 25-26 2.4 ICA的评价指标 26-28 2.4.1 相似系数 27 2.4.2 性能指数 27 2.4.3 均方误差 27-28 2.4.4 SDR参数 28 2.4.5 信噪比 28 2.5 带噪信号盲分离问题 28-29 2.6 本章小结 29-30 3 谱减法去噪 30-46 3.1 带噪混叠语音盲分离模型 30-32 3.1.1 语音和噪声的特点 30-31 3.1.2 带噪混叠语音模型 31-32 3.2 语音增强与盲源分离 32-34 3.2.1 经典的语音增强算法 32-33 3.2.2 语音增强与盲源分离的关系 33-34 3.3 谱减法及其改进算法 34-39 3.3.1 噪声估计 36-38 3.3.2 幅度补偿 38-39 3.4 实验结果及分析 39-45 3.4.1 改进谱减法的实验结果及分析 39-43 3.4.2 基于改进谱减法的带噪混叠语音信号盲分离实验结果 43-45 3.5 本章小结 45-46 4 带噪混叠语音盲分离 46-62 4.1 FastICA算法 46-49 4.1.1 基于负熵的FastICA算法 47-48 4.1.2 独立分量的提取方法 48-49 4.2 非线性函数的选取 49-51 4.3 改进的基于负熵的FastICA算法 51-53 4.3.1 牛顿下降法 51 4.3.2 优化FastICA算法(M-FastICA) 51-53 4.4 实验结果及分析 53-61 4.4.1 改进FastICA算法的仿真结果及分析 53-56 4.4.2 带噪混叠语音盲分离的实验结果及分析 56-61 4.5 小结 61-62 5 结论与展望 62-64 参考文献 64-68 作者简历 68-70 学位论文数据集 70
|
相似论文
- 基于小波变换的语音信号去噪及其DSP算法实现,TN912.3
- 通信信号的盲源分离算法研究,TN911.7
- 弱稀疏信号欠定盲分离技术的研究,TN911.7
- 分频段语音盲分离方法研究,TN912.3
- 基于循环统计量的无线电监测信号的分离研究,TN911.7
- 卷积语音盲分离的SOPC实现,TN912.3
- 基于盲源分离技术的混凝土梁非线性振动分析,TN911.6
- 有源降噪耳机算法研究,TN911.7
- 低信噪比下的语音增强方法研究,TN912.35
- 基于射线声学的海底参数反演研究,P733.2
- 移动机器人听觉导航系统中语音分离技术研究,TN912.3
- 基于子带分解的分数傅里叶变换语音增强算法研究,TN912.35
- 基于变分贝叶斯独立分量分析的机械故障诊断方法研究,TH165.3
- 盲源分离的极大似然估计算法研究与应用,TN911.7
- 基于独立分量分析的舱音记录器非话语背景声信号盲分离,V241.4
- 盲源分离中独立源个数估计方法的研究,TN911.7
- 基于视觉的输电线路除冰机器人障碍识别方法,TP242.2
- 转子故障信号的量化特征提取方法研究,TN911.6
- 一类卷积模型描述的语音信号盲分离研究,TN912.3
- 复合材料风机叶片疲劳损伤监测研究,TM315
- 通信信号盲源分离的高效算法研究,TN911.7
中图分类: > 工业技术 > 无线电电子学、电信技术 > 通信 > 电声技术和语音信号处理 > 语音信号处理
© 2012 www.xueweilunwen.com
|